网络管控方法及其系统、存储介质与流程

1.本发明涉及但不限于光通信网络领域，尤其涉及一种网络管控方法及其系统、存储介质。


背景技术：

2.认知光网络技术是一种基于机器学习的新一代智能光网络管控技术，能够自动感知、理解和学习网络环境，实时调整网络配置，智能地适应网络环境的变化，还可以实现快速故障检测和定位、实时光路性能监测和质量预判、自动优化传输参数、实现流量预测和路由规划、进行故障寻根、减少光层恢复时间等，提高全光网的整体质量，为光网络自动驾驶(autonomous driving optical network，adon)、意图光网络(intent-based optical network，ibon)、云光融合等新的智能化光网络管控技术提供了网络管控的技术基础。
3.对光网络的认知分析和仿真，需要在不影响物理网络环境和运行的前提下进行，通常会采用数字孪生(digital twin，dt)技术创建物理对象的高保真数字虚拟模型，模拟物理对象的行为，但是dt生成的虚拟模型只能作为数据基础，目前并没有相关技术能够实现dt与认知光网络技术的协同。


技术实现要素：

4.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
5.本发明实施例提供了一种网络管控方法及其系统、存储介质，能够结合dt技术和认知光网络技术，实现光网络的自动管控。
6.第一方面，本发明实施例提供了一种网络管控方法，包括：
7.获取目标对象的参数变化值，其中，所述参数变化值来自于dt虚拟模型，dt虚拟模型根据物理模型构建，所述物理模型由物理网络的实体对象构成，所述参数变化值表征所述目标对象的传输性能的变化；
8.将所述参数变化值输入至预先训练好的感知模型，获取所述感知模型输出的状态预测结果；
9.将所述状态预测结果输入至预先训练好的认知模型，获取所述认知模型输出的配置调整信息；
10.当所述配置调整信息通过仿真验证，根据所述配置调整信息调整所述物理模型。
11.第二方面，本发明实施例提供了一种网络管控系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的网络管控方法。
12.本发明实施例包括：获取目标对象的参数变化值，其中，所述参数变化值来自于dt虚拟模型，dt虚拟模型根据物理模型构建，所述物理模型由物理网络的实体对象构成，所述参数变化值表征所述目标对象的传输性能的变化；将所述参数变化值输入至预先训练好的
感知模型，获取所述感知模型输出的状态预测结果；将所述状态预测结果输入至预先训练好的认知模型，获取所述认知模型输出的配置调整信息；当所述配置调整信息通过仿真验证，根据所述配置调整信息调整所述物理模型。根据本发明实施例提供的方案，能够以dt虚拟模型作为数据基础，通过感知模型感知、预测物理模型的变化及变化趋势，并将感知、预测结果作为认知模型的输入，得到物理网络的配置调整信息，并经过仿真验证后实现针对物理网络的自动管控。
13.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
14.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
15.图1是本发明一个实施例提供的网络管控方法的流程图；
16.图2是本发明另一个实施例提供的dt case模型与物理模型的结构图；
17.图3是本发明另一个实施例提供的dt case模型的结构图；
18.图4是本发明另一个实施例提供的确定目标对象的流程图；
19.图5是本发明另一个实施例提供的获取环境数据集的流程图；
20.图6是本发明另一个实施例提供的构建信号发生模型的流程图；
21.图7是本发明另一个实施例提供的生成参数变化值的流程图；
22.图8是本发明另一个实施例提供的得到配置调整信息的流程图；
23.图9是本发明另一个实施例提供的应用配置调整信息的流程图；
24.图10是本发明另一个实施例提供的网络管控方法的示例流程图；
25.图11是本发明另一个实施例提供的训练认知模型和感知模型的流程图；
26.图12是本发明另一个实施例提供的认知模型的示例图；
27.图13是本发明另一个实施例提供的示例一的拓扑示意图；
28.图14是本发明另一个实施例提供的示例一的流程图；
29.图15是本发明另一个实施例提供的网络管控系统的结构图。
具体实施方式
30.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
31.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
32.本发明提供了一种网络管控方法及其系统、存储介质，方法包括：获取目标对象的参数变化值，其中，所述参数变化值来自于dt虚拟模型，dt虚拟模型根据物理模型构建，所
述物理模型由物理网络的实体对象构成，所述参数变化值表征所述目标对象的传输性能的变化；将所述参数变化值输入至预先训练好的感知模型，获取所述感知模型输出的状态预测结果；将所述状态预测结果输入至预先训练好的认知模型，获取所述认知模型输出的配置调整信息；当所述配置调整信息通过仿真验证，根据所述配置调整信息调整所述物理模型。根据本发明实施例提供的方案，能够以dt虚拟模型作为数据基础，通过感知模型感知、预测物理模型的变化及变化趋势，并将感知、预测结果作为认知模型的输入，得到物理网络的配置调整信息，并经过仿真验证后实现针对物理网络的自动管控。
33.以下对本发明的网络管控方法进行进一步阐述。
34.如图1所示，图1是本发明一个实施例提供的一种网络管控方法，包括但不限于有步骤s110、步骤s120、步骤s130和步骤s140。
35.步骤s110，获取目标对象的参数变化值，其中，参数变化值来自于数字孪生dt虚拟模型，dt虚拟模型根据物理模型构建，物理模型由物理网络的实体对象构成，参数变化值表征目标对象的传输性能的变化。
36.需要说明的是，物理模型可以由任意实体对象构成，例如由多个路由节点和传输链路构成的光传送网(optical transport network，otn)拓扑环境，本实施例对物理模型的具体构成不作限定。目标对象可以是物理模型中的任意实体对象，根据分析需求选取即可。
37.需要说明的是，参数变化值所对应的参数可以是目标对象的任意性能参数，本实施例对参数类型不作过多限定，能够表征目标对象的传输性能即可。参数变化值可以是性能参数的数值的变化幅度，例如带宽的增加或减少，端口数的增加或者减少，也可以是状态的变化等，能够体现出实体对象的性能参数变化即可。
38.值得注意的是，dt case通常包括基础模型和功能模型，在本实施例中，dt case的层级结构可以参考图2所示，基础模型为dt虚拟模型，功能模型包括感知模型和认知模型，其中，dt虚拟模型通过针对物理模型进行抽象化的虚拟处理得到，以dt虚拟模型作为基础模型，以作为后续感知分析、认知分析的模型基础与数学背景；抽象化的虚拟模型分别是感知算法模型、认知算法模型构建、训练与推理的基础。
39.步骤s120，将参数变化值输入至预先训练好的感知模型，获取感知模型输出的状态预测结果。
40.需要说明的是，感知模型属于该dt case的功能模型。基于dt case应用场景，依托、抽取目标对象的虚拟模型信息，并采样目标对象在物理模型的流量或性能参数、对象状态等数据作为该输入、输出，训练生成对应的感知模型。感知模型可以通过任意可实现预测的人工智能(artificial intelligence，ai)技术实现，例如卷积神经网络(convolution neural network，cnn)、深度神经网络(deep neural network，dnn)、深度强化学习(deep reinforcement learning，drl)等，本实施例对感知模型所具体采用的算法不作过多限定。
41.值得注意的是，通过感知模型可以推断、预测dt case目标对象所处的网络环境变化对该目标对象涉及的当前的网络状态、网络服务的波及影响，得到状态预测结果，例如链路的状态为流量轻载状态，针对不同对象类型调整不同的状态预测结果即可。
42.可以理解的是，dt虚拟模型描述了物理模型所处的环境的参数，通过感知模型能够对参数变化所造成的环境变化进行主动预测和感知，从而为进一步的网络认知提供了触
发信号和模型输入，实现对otn的自动化检测。
43.步骤s130，将状态预测结果输入至预先训练好的认知模型，获取认知模型输出的配置调整信息。
44.需要说明的是，认知模型属于该dt case的功能模型，能够基于dt case应用场景，依托、抽取目标对象的虚拟模型信息，并根据感知模型分析得出的状态预测结果作为输入，结合ai技术训练并生成对应的认知模型，并通过该算法模型推断获得对该dt case目标对象的配置调整信息。认知模型可以采用任意认知技术相关的算法，能够实现认知技术即可，例如演员-评价者(actor-critic)算法，本实施例对具体的算法及其实现方式不作过多赘述，本领域技术人员有动机根据时机需求选取合适的算法以配置认知模型。
45.需要说明的是，认知模型、感知模型和dt虚拟模型的关系可以参考图3所示，dt虚拟模型作为基础结构模型，为认知模型和感知模型提供物理模型的环境数据，感知模型输出的状态预测结果作为认知模型的输入，能够感知模型和认知模型的串联，实现了从数据获取到主动感知变化到确定配置调整信息，以闭环的形式实现了网络的自动化和智能化管控。
46.值得注意的是，在同一dt case中的三种模型，在感知与认知分析的处理中，视对象结构、功能分析需要，还可对每种模型分别拆分和创建多个子实例，在此不多做赘述。
47.步骤s140，当配置调整信息通过仿真验证，根据配置调整信息调整物理模型。
48.需要说明的是，利用认知技术得到的配置调整信息配置可以是任意可用的配置信息，例如性能参数的调整，也可以是配置变更策略，例如调整传输路径等，能够对物理模型所处的实体环境产生变化即可。
49.值得注意的是，为了确保配置调整信息不会对物理模型产生不必要的衍生影响，可以在应用之前进行仿真验证，本实施例对仿真验证的具体过程不作过多限定，在具备配置调整信息的情况下，本领域技术人员熟知如何进行仿真验证，在此不多作赘述。
50.需要说明的是，本实施例的整体流程是一个循环迭代的过程，可以跨越整个网络自治生命周期，通过实时监控并感知与目标对象相关的网络环境变化，推断、预测目标对象的相关状态变化，并通过ai技术、仿真技术获得认知判断、分析后的针对目标对象的配置调整信息，进而在物理网络环境中实施该配置调整信息，同时，认知流程中包含了对网络变更的仿真、与配置实施，对于认知模型，可以以优化实现变更配置的及时性、准确率作为衡量该网络管控系统建模与算法性能的质量评估标准。
51.通过本实施例的技术方案，能够实现自动化和智能化的认知分析，有效减少变更配置物理网络环境的尝试次数、并提高变更配置解决问题的精准度，减少参数调整更对网络服务正常运营的影响。
52.另外，在一实施例中，参照图4，在执行完图1实施例所示的步骤s110之前，还包括但不限于有以下步骤：
53.步骤s410，将物理模型中性能参数发生变化的实体对象确定为目标对象；
54.或者，
55.步骤s420，获取分析需求信息，将分析需求信息中的待分析对象确定为目标对象。
56.需要说明的是，对于物理网络而言，实体对象的性能参数可以是处于变化状态，也可以是维持不变的，例如链路端口数通常是固定的，而传输链路的流量是实时变化的，因
此，可以将性能参数发生变化的实体对象作为目标对象，通过dt虚拟模型获取其参数变化值进行感知和认知；也可以根据分析需求选取目标对象，例如针对生存性分析需求，需要分析链路端口数变化或者传输链路出现故障对物理网络造成的影响。本领域技术人员有动机根据实际需求选取确定目标对象的方法，在此不多作限定。
57.另外，在一实施例中，参照图5，在执行完图1实施例所示的步骤s120之前，还包括但不限于有以下步骤：
58.步骤s510，从dt虚拟模型获取与物理模型相对应的环境数据集，环境数据集包括物理模型中各个实体对象的性能参数和状态参数。
59.需要说明的是，在dt case构建完成后，可以实时监控物理模型的网络环境，并且收集对应的环境数据，从而形成由多种环境数据构成的环境数据集，环境数据集可以包括每一个实体对象的性能参数和状态参数，具体采集方式在此不多作赘述。
60.另外，在一实施例中，参照图6，在执行完图5实施例所示的步骤s510之后，还包括但不限于有以下步骤：
61.步骤s610，获取预先设定的时间序列；
62.步骤s620，确定性能参数和状态参数在时间序列的概率分布；
63.步骤s630，根据概率分布和时间序列构建信号发生模型。
64.需要说明的是，为了避免物理数据采样的非及时性、意外中断、或者采样条件不具备等情况，在获取到性能参数和状态参数之后，可以采用核平滑的方法得到对应参数在指定的时间序列上的概率分布，并以此构建信号发生模型，使得信号发生模型能够根据概率分布生成的真实环境中未出现的数据，作为样本参数用于感知和认知，实现网络分析和管控。
65.需要说明的是，时间序列可以是任意长度的一段时间，例如以链路流量为例，可以以月为单位，采集每个月第一天的链路流量，通过核平滑的方式确定链路流量在数值上的概率分布，构建出的信号发生模型能够根据该概率分布确定未来若干个月内第一天的链路流量。
66.另外，在一实施例中，参照图7，图1实施例所示的步骤s110，还包括但不限于有以下步骤：
67.步骤s710，确定目标分析时序；
68.步骤s720，根据信号发生模型构建出目标对象在目标分析时序的参数变化值。
69.需要说明的是，目标分析时序可以是任意时长的时间段，例如未来3个月的第一天，根据实际分析需求确定即可。
70.需要说明的是，由于信号发生模型根据性能参数和状态参数的概率分布确定，因此在确定目标分析时序之后，可以通过信号发生模型生成目标对象在目标分析时序的参数变化值，通过模拟环境产生数据，提高仿真效率。
71.另外，在一实施例中，参照图8，图1实施例所示的步骤s130，还包括但不限于有以下步骤：
72.步骤s810，获取预先设定好的目标状态和约束条件；
73.步骤s820，将环境数据集、目标状态、状态预测结果和约束条件输入至认知模型，获取认知模型输出的针对目标对象的配置调整信息。
74.需要说明的是，目标状态可以是针对目标对象，也可以是针对整个物理模型的，例如对于otn网络，目标对象可以是传输链路，目标状态可以设定为
“‘
负载均衡度最大’作轨迹最终回报”，从而通过认知模型得到能够实现上述目标状态的配置调整信息，。
75.需要说明的是，约束条件可以预先设定，也可以根据感知模型输出的状态预测结果确定，例如需要模拟一条链路故障的情况，则约束条件可以设置为该传输链路不可用，使得认知模型能够根据约束条件进行认知预测，又如，在得到的状态预测结果中，路径a为拥塞路径，路径b为轻载路径，则可以将路径a作为必避约束，路径b作为必经约束，具体的约束条件选取方式可以根据实际分析需求确定，在此不多作限定。
76.值得注意的是，认知模型可以采用actor-critic的drl技术，将环境数据集、目标状态、状态预测结果和约束条件输入至认知模型，能够通过drl技术进行全局或者局部认知优化，从而获得认知优化后的配置调整信息，从而实现网络优化。
77.另外，在一实施例中，参照图9，图1实施例所示的步骤s140，还包括但不限于有以下步骤：
78.步骤s910，根据配置调整信息进行仿真验证，并获取仿真结果；
79.步骤s920，当仿真结果表征物理模型的运行状态符合预设标准，确定配置调整信息通过仿真验证。
80.需要说明的是，配置调整信息根据当前的物理环境和感知模型的预测结果得到，在将配置调整信息应用到物理模型之后，可能会出现衍生影响，例如对作为目标对象的传输链路的流量进行限定之后，导致其他传输链路的流量增加，从而出现链路拥塞的，为了确保优化效果，在得到配置调整信息后可以先通过仿真工具进行仿真，本实施例并不对仿真工具和具体仿真方法做出限定，本领域技术人员在具备配置调整信息的情况下，有动机根据实际需求选取合适的仿真工具。
81.值得注意的是，预设标准可以根据对物理网络的性能需求确定，例如调整之后传输链路不会出现拥塞，或者流量满足预先设定的阈值，根据实际需求调整预设标准即可。
82.为了更好地说明本技术实施例的dt case的协同关系，以下提出一个具体示例，如图10所示，本示例的网络管控方法包括但不限于有以下步骤：
83.步骤s1010，实时监控物理网络环境，收集与该dt case相关的网络环境数据；
84.步骤s1021，针对指定的物理模型构建dt case，其中，dt case包括基础模型和功能模型，基础模型为dt虚拟模型，功能模型包括感知模型和认知模型，执行步骤s1031；
85.步骤s1022，根据dt虚拟模型构建环境数据集，执行步骤s1032或者步骤s1033；
86.步骤s1031，根据环境数据集确定物理网络环境的参数变化值，若需要进行预测并而且感知模型可用，执行步骤s1042或者步骤s1043，若不需要进行预测，执行步骤s1041；
87.步骤s1032，根据环境数据集构建信号发生器，若感知模型可用，执行步骤s1042；
88.步骤s1033，采用ai技术训练、构建、刷新对应的感知模型；
89.步骤s1041,基于dt虚拟模型判断分析物理网络环境变化，得到状态预测结果,若感知模型可用，执行步骤s1060；
90.步骤s1042，将参数变化值作为输入，得到状态预测结果,若感知模型可用，执行步骤s1060；
91.步骤s1043，根据信号发生器产生网络性能的时间序列的参数变化值，预测出状态
预测结果，若感知模型可用，执行步骤s1060；
92.步骤s1050，根据环境数据集合状态预测结果构建、训练认知模型；
93.步骤s1060，将环境数据集、状态预测结果作为认知模型的输入，预测得到配置变更信息；
94.步骤s1070，调用emulator仿真工具对配置变更信息进行仿真，确定配置变更的可行性以及对网络环境的衍生影响,若仿真结果满足网络运营需求，执行步骤s1080，否则重新执行步骤s1060；
95.步骤s1080，将配置变更信息应用至物理网络。
96.另外，在一实施例中，参照图11，图5实施例所示的步骤s520，还包括但不限于有以下步骤：
97.步骤s1110，通过反向传播算法进行从认知模型到感知模型的训练，其中，性能参数为感知模型的训练输入，状态参数为感知模型的训练输出，状态预测结果和环境数据集为认知模型的训练输入，目标状态确定为认知模型的输出。
98.需要说明的是，在具备环境数据集的基础上，根据性能参数作为输入，状态参数作为输出，使得训练后的感知模型能够根据性能参数的变化预测出对应的状态参数，例如，利用循环神经网络(recurrent neural network，rnn)作为感知模型的ai算法，本领域技术人员熟知如何进行深度学习模型的训练，在此不多作赘述。
99.值得注意的是，在本实施例中，将感知模型与认知模型串联组合，采用反向传播算法对认知模型、感知模型中的模型参数，可以通过基于链式求导法则的梯度下降/上升法，进行迭代更新，直至对串联模型参数的梯度逼近到0，整个迭代更新结束，进而完成从认知模型到感知模型的端到端ai模型的统一训练，反向传播算法和链式求导的方法为本领域技术人员熟知的技术，在此不多作赘述。通过反向传播的方式进行训练，能够实现认知模型到感知模型的一体化串联，有利于实现对物理网络的自动检测、自动优化和自动排障，提高物理网络的稳定性。
100.值得注意的是，感知模型采用rnn技术，可以把在整个时间序列周期中不同时刻网络业务流量分布作为rnn输入，用以预测otn网络的关键链路在整个时间序列周期中不同时刻的状态，并结合当前网络的拓扑状态，作为认知模型的输入，认知模型可以采用actor-critic的drl技术，训练后用以推理获得最佳的otn网络流量优化变更配置方案，例如图12所示的的结构，性能参数为网络业务流量分布，其中t为性能参数的数量，将x1至xt输入至rnn单元中进行预测，其中x1输入rnn单元1后，输出的状态预测结果为键链路在整个时间序列周期中不同时刻的状态，其中，输入x1所对应的输出为z1，以此类推，在感知模型输出状态预测结果后，z1至zt以及环境数据集作为认知模型的训练输入，以目标状态作为认知模型的目标函数，从而实现认知模型的训练，本领域技术人员在具备输入和输出的情况下，熟知如何进行深度学习网络的训练，在此不多作赘述。
101.为了更好地说明本发明的技术方案，以下提出一个具体示例：
102.在本示例中，物理模型以图13所示的otn mesh组网拓扑为例，在该网络中具有6条数据单元oduflex业务路径，分别为路径1：a-s、路径2：a-k、路径3：k-c、路径4：a-b-c、路径5：t-c、路径6：s-n-t；其中，在该物理模型中还包括关键链路1：s-n，关键链路2：a-b，其中，本示例以15分钟为目标分析时序。
103.参照图14，本示例的方法包括但不限于有以下步骤：
104.步骤s1410，将当前的otn网络流量分布确定为dt case的目标对象，构建对应的dt case的dt虚拟模型。
105.步骤s1420，基于dt case的otn网络流量抽象化虚拟模型及otn网络流量感知分析需求，构建otn网络流量感知算法模型。
106.需要说明的是，感知模型的结构可以参考图12所示，以rnn为例，每一时刻t的输入为为向量形式，该向量的每个元素为连续变量，表示t时刻每条oduflex业务的每15分钟平均流量值，单位gbit/s。
107.步骤s1430，通过感知模型预测出关键链路的趋势状态。
108.需要说明的是，根据上述x
t
的输入，预测出对应的每一时刻t的输出为其中，z
t
为向量形式，每个元素为离散变量，表示t时刻n条otn网络拓扑关键链路的趋势状态值，趋势状态以数值的方式描述，例如0表示流量正常状态、1表示潮张状态、2表示流量拥塞、3表示潮落状态、4表示流量轻载，
109.步骤s1440，基于dt case的otn网络流量抽象化虚拟模型、otn网络流量感知算法模型的推断输出、otn网络流量认知分析需求，构建dt case的otn网络流量认知算法模型。
110.需要说明的是，在本示例中，dt case实现otn网络流量认知分析流程的认知算法模型主要采用drl技术的actor-critic算法，该actor-critic算法实例的输入包括：otn当前的网络拓扑、业务分布、各关键链路在0至t时刻的拥塞趋势状态，基于上述输入，还可以将拥塞链路作为必避约束、将轻载链路作为必经约束。
111.步骤s1450，获取dt case的otn网络流量认知算法模型输出的调整策略，根据调整策略调整物理模型。
112.另外，参照图15，本发明的一个实施例还提供了一种网络管控系统，该网络管控系统1500包括：存储器1510、处理器1520及存储在存储器1510上并可在处理器1520上运行的计算机程序。
113.处理器1520和存储器1510可以通过总线或者其他方式连接。
114.实现上述实施例的网络管控方法所需的非暂态软件程序以及指令存储在存储器1510中，当被处理器1520执行时，执行上述实施例中的网络管控方法，例如，执行以上描述的图1中的方法步骤s110至步骤s140、图4中的方法步骤s410至步骤s420、图5中的方法步骤s510、图6中的方法步骤s610至步骤s630、图7中的方法步骤s710至步骤s720、图8中的方法步骤s810至步骤s820、图9中的方法步骤s910至步骤s920、图11中的方法步骤s1110。
115.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是
或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
116.此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述网络管控系统实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的网络管控方法，例如，执行以上描述的图1中的方法步骤s110至步骤s140、图4中的方法步骤s410至步骤s420、图5中的方法步骤s510、图6中的方法步骤s610至步骤s630、图7中的方法步骤s710至步骤s720、图8中的方法步骤s810至步骤s820、图9中的方法步骤s910至步骤s920、图11中的方法步骤s1110。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
117.以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。